Bouzy also tracked statistics about

Bouzy also tracked statistics about the final territory status of each intersection after each simulation [36]. This information
is used to influence the simulations towards disputed regions of the board, by avoiding playing on intersections which
are consistently one player’s territory. Bouzy also incorporated pattern knowledge into the simulation player [20]. Using
these enhancements his program Indigo won the bronze medal at the 2004 and 2006 19×19 Computer Go Olympiads.
It is surprising that a Monte-Carlo technique, originally developed for stochastic games such as backgammon [16], Poker
[14] and Scrabble [17] should succeed in Go. Why should an evaluation that is based on random play provide any useful information
in the precise, deterministic game of Go? The answer, perhaps, is that Monte-Carlo methods successfully manage
the uncertainty in the evaluation. A random simulation policy generates a broad distribution of simulated games, representing
many possible futures and the uncertainty in what may happen next. As the search proceeds and more information
is accrued, the simulation policy becomes more refined, and the distribution of simulated games narrows. In contrast, deterministic
play represents perfect confidence in the future: there is only one possible continuation. If this confidence is
misplaced, then predictions based on deterministic play will be unreliable and misleading. Abramson [37] was the first to
demonstrate that the expected value of a game’s outcome under random play is a powerful heuristic for position evaluation
in deterministic games.

Kết quả (Việt) 1:

Bouzy cũng theo dõi số liệu thống kê về tình trạng cuối cùng lãnh thổ của mỗi giao lộ sau khi mỗi mô phỏng [36]. Thông tin nàyđược sử dụng để ảnh hưởng đến các mô phỏng hướng tới khu vực tranh chấp của Hội đồng quản trị, bằng cách tránh chơi trên nút giao thông màlà một cách nhất quán một máy nghe nhạc của lãnh thổ. Bouzy cũng kết hợp mô hình kiến thức vào các cầu thủ mô phỏng [20]. Bằng cách sử dụngnhững cải tiến các chương trình của mình Indigo giành huy chương đồng tại các 2004 và 2006 19 × 19 máy tính đi Olympic.Nó là đáng ngạc nhiên rằng một kỹ thuật Monte-Carlo, ban đầu được phát triển cho các trò chơi ngẫu nhiên như backgammon [16], xi phe[14] và Scrabble [17] nên thành công trong đi. Tại sao một đánh giá dựa trên ngẫu nhiên chơi nên cung cấp bất kỳ thông tin hữu íchtrong trò chơi chính xác, xác định cờ vây? Câu trả lời, có lẽ, là rằng phương pháp Monte-Carlo thành công quản lýsự không chắc chắn trong việc đánh giá. Một chính sách mô phỏng ngẫu nhiên tạo ra một phân phối rộng của mô phỏng trò chơi, đại diện chotương lai có thể nhiều và không chắc chắn những gì có thể xảy ra kế tiếp. Như tìm kiếm tiền và biết thêm thông tintích lũy, chính sách mô phỏng trở nên tinh tế hơn, và việc phân phối các trò chơi mô phỏng thu hẹp. Ngược lại, xác địnhchơi đại diện cho sự tự tin hoàn hảo trong tương lai: có là một trong những chỉ có thể tiếp tục. Nếu sự tự tin này làthất lạc, sau đó dự đoán dựa trên xác định chơi sẽ không đáng tin cậy và gây hiểu nhầm. Abramson [37] là người đầu tiênchứng minh rằng giá trị kỳ vọng của một trò chơi quả dưới ngẫu nhiên chơi là một heuristic mạnh mẽ cho vị trí đánh giátrong xác định trò chơi.

Kết quả (Việt) 2:

Bouzy cũng theo dõi số liệu thống kê về tình trạng lãnh thổ cuối cùng của mỗi giao lộ sau mỗi mô phỏng [36]. Thông tin này
được sử dụng để tác động đến các mô phỏng về phía khu vực tranh chấp của hội đồng quản trị, bằng cách tránh chơi trên nút giao thông mà
là luôn lãnh thổ một người chơi. Bouzy cũng kết hợp kiến thức mô hình vào máy mô phỏng [20]. Sử dụng
các cải tiến chương trình của mình Indigo giành huy chương đồng tại các năm 2004 và 2006 19 × 19 Toán Go Olympic.
Điều ngạc nhiên là một kỹ thuật Monte-Carlo, ban đầu được phát triển cho các trò chơi ngẫu nhiên như cơ thỏ cao [16], Poker
[14] và Scrabble [17] nên thành công trong Go. Tại sao một đánh giá đó là dựa vào chơi ngẫu nhiên nên cung cấp bất kỳ thông tin hữu ích
trong, trò chơi xác định chính xác của Go? Câu trả lời, có lẽ, đó là phương pháp Monte-Carlo quản lý thành công
sự không chắc chắn trong đánh giá. Một chính sách mô phỏng ngẫu nhiên tạo ra một phân bố rộng của trò chơi mô phỏng, đại diện cho
nhiều kỳ hạn có thể, và sự không chắc chắn trong những gì có thể xảy ra tiếp theo. Như tiền và tìm kiếm thêm thông tin
được tích lũy, các chính sách mô phỏng trở nên tinh tế hơn, và sự phân bố của các trò chơi mô phỏng thu hẹp. Ngược lại, xác định
chơi đại diện cho sự tự tin hoàn hảo trong tương lai: chỉ có một có thể tiếp tục. Nếu tin tưởng này được
đặt không đúng chỗ, sau đó dự đoán dựa vào chơi xác định sẽ không đáng tin cậy và gây hiểu nhầm. Abramson [37] là người đầu tiên
chứng minh rằng các giá trị kỳ vọng về kết quả của một trò chơi dưới chơi ngẫu nhiên là một heuristic mạnh mẽ để đánh giá vị trí
trong trò chơi xác định.